Taming the Long Tail in Human Mobility Prediction

要約

位置ベースのサービスの人気に伴い、人間の移動予測は、パーソナライズされたナビゲーションの強化、推奨システムの最適化、都市の移動と計画の促進において重要な役割を果たしています。
これには、ユーザーの過去の訪問履歴を使用して、ユーザーの次の POI (興味のある地点) 訪問を予測することが含まれます。
ただし、時間と空間にわたる訪問者の分布が不均一であること、つまり空間分布におけるロングテール問題により、AI モデルが人間の訪問が少ない POI を予測することが困難になります。
この問題を考慮して、私たちはモビリティ予測のための Long-Tail Adjusted Next POI Prediction (LoTNext) フレームワークを提案します。これは、Long-Tailed Graph Adjustment モジュールを組み合わせて、ユーザーと POI のインタラクション グラフにおけるロングテール ノードの影響を軽減し、
ロジットスコアとサンプル重み調整戦略によって損失を調整する新しいロングテール損失調整モジュール。
また、一般化と精度を高めるために補助予測タスクを採用します。
2 つの現実世界の軌道データセットを使用した実験では、LoTNext が既存の最先端の作品を大幅に上回っていることが実証されました。
私たちのコードは https://github.com/Yukayo/LoTNext で入手できます。

要約(オリジナル)

With the popularity of location-based services, human mobility prediction plays a key role in enhancing personalized navigation, optimizing recommendation systems, and facilitating urban mobility and planning. This involves predicting a user’s next POI (point-of-interest) visit using their past visit history. However, the uneven distribution of visitations over time and space, namely the long-tail problem in spatial distribution, makes it difficult for AI models to predict those POIs that are less visited by humans. In light of this issue, we propose the Long-Tail Adjusted Next POI Prediction (LoTNext) framework for mobility prediction, combining a Long-Tailed Graph Adjustment module to reduce the impact of the long-tailed nodes in the user-POI interaction graph and a novel Long-Tailed Loss Adjustment module to adjust loss by logit score and sample weight adjustment strategy. Also, we employ the auxiliary prediction task to enhance generalization and accuracy. Our experiments with two real-world trajectory datasets demonstrate that LoTNext significantly surpasses existing state-of-the-art works. Our code is available at https://github.com/Yukayo/LoTNext.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google